支持向量机-wine数据集

最新推荐文章于 2023-06-05 14:59:00 发布

G_瑞琴

最新推荐文章于 2023-06-05 14:59:00 发布

阅读量3.7k

点赞数 4

文章标签：支持向量机机器学习

本文链接：https://blog.csdn.net/weixin_50197893/article/details/121756564

版权

本文介绍了支持向量机作为监督学习算法在分类问题中的应用，特别是针对wine数据集的分类。内容包括线性可分、近似线性和非线性支持向量机的概念，以及使用不同核函数（线性、多项式、径向基和sigmoid）进行训练和预测的过程。通过实验发现，线性核和多项式核在wine数据集上表现优于径向基和sigmoid核。

摘要由CSDN通过智能技术生成

支持向量机是监督式学习算法，主要应用于分类，它的目的是寻找一个超平面对样本进行分割，分割的原则是间隔最大化。

（1）当训练数据线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机；

（2）当训练数据近似线性可分时，通过软间隔最大化，学习一个线性分类器，即线性支持向量机；

（3）当训练数据线性不可分时，通过核技巧（将低维数据映射到高维空间的办法）或软间隔最大化，学习一个线性分类器，即非线性支持向量机。

使用支持向量机对wine数据集进行分类

1、导入数据集（加载scikit-learn自带的数据集wine）

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
from sklearn import svm,datasets
from sklearn.model_selection import train_test_split
wine=datasets.load_wine()                         # 加载wine数据集
print('wine.data的形状为：',wine.data.shape)
print('wine.target的形状为：',wine.target.shape)
print('wine.target的特征名称为：',wine.target_names)